通过社交媒体数据分析了解新发疾病的管道:乳房植入疾病的案例研究gydF4y2Ba

简介gydF4y2Ba

背景gydF4y2Ba

社交媒体的无所不在导致了在系统研究新疾病之前，社交媒体平台上对新疾病和进化疾病的早期描述[gydF4y2Ba1gydF4y2Ba-gydF4y2Ba7gydF4y2Ba]，尤其是在医疗互联网时代[gydF4y2Ba8gydF4y2Ba-gydF4y2Ba14gydF4y2Ba］．社交媒体用户越来越多地转向Twitter (Twitter Inc)、Facebook (Facebook Inc)和YouTube(谷歌LLC)等平台，分享个人经历，包括他们经历过的疾病和疾病，或寻求支持和资源，如健康和医疗资源。最近的研究表明，社交媒体在检测精神疾病和抑郁症方面具有潜力。gydF4y2Ba15gydF4y2Ba-gydF4y2Ba17gydF4y2Ba]以及及早发现食源性疾病[gydF4y2Ba18gydF4y2Ba-gydF4y2Ba20.gydF4y2Ba]及其他传染病[gydF4y2Ba2gydF4y2Ba，gydF4y2Ba21gydF4y2Ba-gydF4y2Ba24gydF4y2Ba］．此外，一些研究表明，在多次流感爆发期间，社交媒体是传播有关症状、个人健康和公共卫生资源信息的有效工具[gydF4y2Ba25gydF4y2Ba-gydF4y2Ba28gydF4y2Ba］．在COVID-19的早期阶段，研究[gydF4y2Ba4gydF4y2Ba，gydF4y2Ba29gydF4y2Ba，gydF4y2Ba30.gydF4y2Ba]分析了新浪微博(中国主要的微博网站)上的帖子，以描述中国多个省份的患者症状和公众担忧。从微博(微博公司)的帖子分析，Huang等[gydF4y2Ba30.gydF4y2Ba]的结论是，受感染的患者大多是老年人，发烧是最常见的症状。这些研究表明，可以利用公共社交媒体数据更好地了解新出现的疾病，并及时作出反应。gydF4y2Ba

我们在这篇手稿中研究的一种新疾病是乳房植入物疾病(BII)。在过去的20年里，隆胸手术越来越流行。gydF4y2Ba31gydF4y2Ba］．在此期间，美国每年有超过40万名女性接受了隆胸或乳房切除术后手术[gydF4y2Ba32gydF4y2Ba］．2017年至2018年期间，隆胸手术数量增加了4%，同期乳房植入物移除手术增加了6% [gydF4y2Ba32gydF4y2Ba］．此外，人们对隆胸手术的安全性亦有所关注[gydF4y2Ba33gydF4y2Ba-gydF4y2Ba38gydF4y2Ba]并坚持[gydF4y2Ba39gydF4y2Ba-gydF4y2Ba45gydF4y2Ba］．然而，尽管隆胸和全身性疾病之间的因果关系还没有得到明确的证明，一种现象被称为gydF4y2Ba乳房植入疾病gydF4y2Ba，将全身症状归咎于隆胸，[gydF4y2Ba46gydF4y2Ba］．然而，与其他新的医学疾病不同，BII在医学文献中鲜有报道，主要局限于社交媒体[gydF4y2Ba11gydF4y2Ba，gydF4y2Ba47gydF4y2Ba-gydF4y2Ba50gydF4y2Ba］．例如，最近的一项分析[gydF4y2Ba49gydF4y2Ba]根据2018年2月至2019年2月推特和谷歌趋势数据显示，公众对BII的兴趣越来越大。为了总结界定BII的主要症状、疾病和障碍，几项队列研究[gydF4y2Ba51gydF4y2Ba，gydF4y2Ba52gydF4y2Ba分析了患者报告的乳房移植手术前后的结果。这些研究表明，在患者群体中，外植体手术和特定症状的改善之间存在一些潜在的关系。不幸的是，这些研究不是决定性的，因为它们的研究设计有限，其次是缺乏对照组、数据收集偏差和缺乏随机化。由于缺乏关于BII的医学知识，很难对这种疾病进行定义，因此几乎不可能进行严格的流行病学或临床研究。BII只是一种明显缺乏医学知识的疾病过程，但还有许多其他新疾病也是如此。任何有足够社交媒体数据支持的初始知识，对于未来的正式研究都是有意义的参考，因此，发现这些知识的技术是非常需要的。gydF4y2Ba

目标gydF4y2Ba

为了识别和总结一种新疾病的关键属性，在本研究中，我们构建了一个用于BII社交媒体数据分析的数据分析管道。该管道结合了自然语言处理(NLP)和主题建模方法。我们的主要目标是通过构建数据分析管道并将该管道应用于社交媒体数据，获得关于BII的新知识，BII是一种在医学文献中尚未系统研究和定义的医学疾病。由于关于BII的医学知识和文献尚未建立，相关概念也没有得到很好的定义或接受，因此使用社交媒体数据来理解新出现的问题可能是一个有意义的起点。我们应用这个管道来更好地理解与BII相关的症状和体征。据我们所知，本研究是第一个使用社交媒体数据从社交媒体中获得BII知识的研究。这证明了使用社交媒体信息来更好地理解主要在社交媒体上报道的情况的潜力。它还建立了我们管道的有效性，以及它在了解其他新疾病方面的潜在应用。在接下来的讨论中，我们已经在BII上下文中描述了我们的分析管道。然而，我们的产品线并不针对BII，也适用于其他疾病。gydF4y2Ba

方法gydF4y2Ba

数据gydF4y2Ba

我们从精选的社交媒体网站上收集和使用数据。之所以选择这些网站，是因为它们致力于BII讨论和信息，并专注于对BII感兴趣的用户群体。通常，专门的社交媒体网站(如论坛和Twitter页面)可用于特定的疾病或疾病。例如，一些专门的网站[gydF4y2Ba53gydF4y2Ba-gydF4y2Ba55gydF4y2Ba]包含不同癌症患者的故事和经历，有些[gydF4y2Ba56gydF4y2Ba，gydF4y2Ba57gydF4y2Ba]包含用户经历慢性疼痛和疾病的帖子和故事，以及其他[gydF4y2Ba58gydF4y2Ba-gydF4y2Ba60gydF4y2Ba]包含COVID-19幸存者的故事和经历。我们研究中使用的社交媒体来源如下:gydF4y2Ba

• BII [gydF4y2Ba61gydF4y2Ba:这是一个专门的公共网站，有与bii相关主题的文章，并提供与植入和外植体程序等相关的资源。该网站还允许个人发布他们对隆胸和相关健康问题的经历和担忧。我们从网站上提取了个别帖子(截至2019年5月10日)，得到的数据集被称为BIIweb。gydF4y2Ba
• 治疗性BII [gydF4y2Ba62gydF4y2Ba:这个网站包含了关于植体后疾病、植体后愈合、乳房植入安全等方面的信息。这个网站的讨论区有很多帖子和评论，都是关于隆胸者或隆胸者所经历的症状、体征等。从本网站讨论区提取的数据集(截至2019年5月10日)称为HealingBII。gydF4y2Ba
• Instagram上关于BII的帖子[gydF4y2Ba63gydF4y2Ba]:这个网站包含了一组公开的Instagram帖子gydF4y2BabreastimplantillnessgydF4y2Ba作为一个标签。我们提取了每个Instagram帖子的相关文本，时间戳为2012年1月10日至2019年9月4日。从该站点提取的数据集称为IG-BII。gydF4y2Ba

来自这3个网站的所有评论和帖子都包含在相应的数据集中。gydF4y2Ba表1gydF4y2Ba提供收集的社交媒体数据的摘要。BIIweb数据集只有187个帖子(其中每个帖子平均有129个单词，SD 124)，但这些帖子平均比其他两个数据集的帖子更大(帖子的平均单词长度更大)。HealingBII是第二大数据集，有1920个帖子，每个帖子平均85个单词(lgydF4y2Ba_avggydF4y2Ba) (sd107)。IG-BII是最大的数据集，有28987条帖子，平均每条帖子123字(SD 113)。gydF4y2Ba

管道gydF4y2Ba

概述gydF4y2Ba

图1gydF4y2Ba显示管道的概述。我们通过以下3个步骤从数据集中提取主要与症状、疾病和医疗程序相关的主要主题。后面将详细讨论每个步骤。第一步是数据预处理。我们删除了所有停止词、数字字符、超链接、标签等，并将其余字符转换为小写字母。第二步是提及提取和概念映射。我们使用临床文本分析和知识提取系统(cTAKES)提取与体征、症状、疾病、障碍和医疗程序相关的提及[gydF4y2Ba64gydF4y2Ba］．提取的提及被进一步映射到统一医学语言系统(UMLS)中由概念唯一标识符(cui)表示的标准医学概念[gydF4y2Ba65gydF4y2Ba本体。第三步涉及主题建模。我们利用潜狄利克雷分配(LDA)将映射的概念总结为主题[gydF4y2Ba66gydF4y2Ba］．LDA是一种用于主题建模的概率生成模型。它将每个文档表示为潜在主题的混合，其中每个主题被建模为单词的分布。该建模分为三个阶段:(1)提及替换，(2)LDA主题建模，(3)分析与评价。在提及替换中，我们将每个提取的提及替换为其映射的cui，并丢弃帖子中的所有其他单词。我们在本节中更详细地讨论了这一步gydF4y2Ba主题建模gydF4y2Ba．然后，在使用LDA进行主题建模时，给定映射cui的语料库，LDA生成文档-主题和主题- cui概率分布。我们在本节中更详细地讨论了这一步gydF4y2Ba主题建模gydF4y2Ba．最后，在我们的分析和评估过程中，我们进一步分析了这些分布，以使用最具代表性的提及率得出主题列表，并总结了每个数据集提取的提及率。我们在本节中更详细地讨论了这一步gydF4y2Ba结果:LDA主题gydF4y2Ba．gydF4y2Ba

‎gydF4y2Ba 查看此图gydF4y2Ba

数据预处理gydF4y2Ba

我们使用了自然语言工具包的标记器[gydF4y2Ba67gydF4y2Ba]来标记每个数据集的原始文本。从获得的标记中，我们使用自然语言工具包英语停止词列表删除了停止词(最频繁出现的功能词，如连词、介词、限定词等)。由于停止词在BII中只包含很少或没有关于我们感兴趣的主题的信息，因此可以安全地删除它们，就像在NLP中通常所做的那样。我们还使用正则表达式匹配删除了所有数字字符、表情符号、非美国信息交换标准代码(ASCII)字符、超链接、标签和Instagram句柄，并将所有剩余的令牌转换为小写，以统一不同的大小写，以便后续处理。gydF4y2Ba

提到提取和概念映射gydF4y2Ba

提述提取是指提取表达医学概念的词语或短语。我们使用cTAKES工具进行提及提取。cTAKES工具是一个开源的NLP工具，用于从非结构化的临床文本中提取临床信息。cTAKES从帖子中提取提及(即传达医学概念的单词或短语)，并将这些提及映射到标准医学概念。在此过程中，它还将每个提取的提及分为5类:体征、症状、疾病、障碍、药物、程序和解剖;也就是说，cTAKES在提取提及的同时，也会自动将提及分类为5个类别之一。例如，在“这些年来，我的耳鸣变得越来越严重，几乎到了衰弱的程度”这句话中，就有摘录gydF4y2Ba耳鸣gydF4y2Ba作为标志和症状范畴的提及。下面，我们将详细讨论如何配置ctake。gydF4y2Ba

我们使用cTAKES中的快速字典查找注释器从处理过的数据中提取提及。这个注释器识别并提取文本中的提及，并将它们规范化为UMLS标准医学本体中的cui。将提取的提及归一化到cui中称为概念映射。UMLS本体中的每个CUI唯一地标识一个医学概念。因此，我们使用cTAKES将提及映射到的cui的标准医学概念来表示提取的提及。我们将注释器配置为使用精确的字符串匹配并使用all-term-persistence属性。因此，注释器可以保留所有术语，而不考虑每个术语的语义属性。例如，对于短语gydF4y2Ba背部疼痛gydF4y2Ba，注释器将注释通用术语gydF4y2Ba疼痛gydF4y2Ba以及精确的术语gydF4y2Ba背部疼痛gydF4y2Ba．我们选择使用全术语持久性属性来保留关于精确和通用医学概念的最大信息。最后，注释器将生成的注释存储在XML元数据交换(XMI)文件中。gydF4y2Ba

为了从XMI文件中获得人类可读格式的注释，我们执行了以下步骤(gydF4y2Ba图2gydF4y2Ba)．我们使用一个自定义解释器来处理ctake生成的XMI文件，并从ctake获得提及和cui之间的映射。我们首先搜索gydF4y2BaUmlsConceptgydF4y2BaXMI文件中的XML标识符，其中每个gydF4y2BaUmlsConceptgydF4y2BaXML标识符通常分组在gydF4y2BaFSArraygydF4y2Ba，以及gydF4y2BaFSArraygydF4y2Ba是与单一本体概念和范畴概念相关联的。每个概念被分配到5个类别中的一个类别:体征、症状、疾病、障碍、药物、程序和解剖。每个本体概念进一步与UMLS CUI和gydF4y2BaontologyConceptArrgydF4y2Ba标识符。必须注意的是，一个提及可以映射到多个cui。例如，提到gydF4y2Ba过敏反应gydF4y2Ba分为体征和症状，但映射到2个不同的cui:gydF4y2BaC1527304gydF4y2Ba而且gydF4y2BaC0020517gydF4y2Ba．然后，我们提取了描述这些类别中的任何一个的本体论概念:疾病、失调、迹象、症状和医疗程序。最后，我们使用gydF4y2Ba开始gydF4y2Ba而且gydF4y2Ba结束gydF4y2Ba与每个相关的标记gydF4y2BaontologyConceptArrgydF4y2Ba标识符，以获取在输入文章中注释的提及的位置。在这项工作中，我们只对前3类(即体征、症状、疾病、障碍和过程)感兴趣，以了解bii相关问题。因此，我们只使用这三种类别中的任何一种。gydF4y2Ba

‎gydF4y2Ba 查看此图gydF4y2Ba

主题建模gydF4y2Ba

为了进行主题建模，我们对帖子进行了如下处理:我们将帖子中的每个提及替换为其映射的cui，并丢弃帖子中所有被cTAKES视为非医学概念或不属于3个兴趣类别的单词。如果一个提及被映射到多个cui，我们就用多个cui替换它。如果多个提及被映射到同一个CUI，我们用CUI替换所有这样的提及。通过这种方式，每个帖子都被表示为一个cui袋，而不是一个提及的集合，作为主题建模的输入，我们的词汇表由cui组成。在主题建模的基础上，我们对主题- cui分布进行了解释，从而得到主题。gydF4y2Ba

我们使用LDA [gydF4y2Ba66gydF4y2Ba]，以了解每篇文章的主题分布和每个主题的CUI分布。LDA是一种生成概率模型，用于在文档语料库中建模主题。LDA将语料库中的每个文档建模为潜在主题的混合，其中每个主题建模为所有文档中单词的分布。LDA通过最大化观察语料库的可能性来获得最佳分布，遵循视角分布。中提供了LDA的简要描述gydF4y2Ba多媒体附件1gydF4y2Ba［gydF4y2Ba66gydF4y2Ba］．在我们的实验中，LDA使用上述生成的一袋cui作为文档，其中cui为文档中的单词。我们使用了lda-c软件[gydF4y2Ba68gydF4y2Ba，这是LDA方法的一个非常有效的实现，可以进行主题建模。gydF4y2Ba

当LDA用于一般文档(如新闻、科学文献)的主题建模时，会使用文档中的单词及其频率。然而，在我们的分析中，我们旨在从社交媒体文本中了解与BII相关的医学概念。不同的词语可能表示相同的医学概念。例如，关节疼痛、关节疼痛、关节痛和关节疼痛都表示关节疼痛，并与由单个CUI表示的单个医学概念相关。因此，在我们的LDA分析中，我们没有使用文字，而是使用了由cui表示的医学概念。由于表示同一医学概念的多个单词可以映射到同一个CUI，因此使用CUI还可以聚合和加强来自多个单词的信息，而使用单词则可能是稀疏的，因此不容易从中学习主题。gydF4y2Ba

结果gydF4y2Ba

cTAKES注释gydF4y2Ba

表2gydF4y2Ba给出了注释提及的汇总统计信息，以及通过ctake映射的cui信息。在BIIweb中，cTAKES提取了2186个提及，并将它们映射到475个唯一的cui。在HealingBII中，cTAKES提取了11,080个提及，并将它们映射到1177个唯一的cui。在最大的数据集IG-BII中，cTAKES提取了5530个独特的提及，并将它们映射到2871个独特的cui。注意，相同的提及可以映射到多个CUI，并且可以有多个类别(每个CUI只有一个类别)。例如，提到gydF4y2Ba闪光gydF4y2Ba映射到2个不同的cui，然后映射到2个不同的类别:疾病和医疗程序。gydF4y2Ba表2gydF4y2Ba为每个提取提及的类别提供统计数据。对于每个数据集，大部分提取的提及都被cTAKES归类为体征和症状。gydF4y2Ba

为了确定cTAKES是否能够充分提取相关的提及，我们执行了一个手动注释，并比较了两个提取的提及列表:一个来自使用cTAKES，另一个来自使用手动注释。我们从3个数据集中随机抽取了50个帖子，并对这些帖子进行了手工注释。通过手动注释，我们提取了表达社交媒体用户涉及bii相关症状、疾病和医疗程序的担忧和经历的提及(单词或短语)。对于50个帖子的随机样本(lgydF4y2Ba_avggydF4y2Ba=134.18)从BIIweb中，使用手动标注获得575次提及，使用cTAKES获得637次提及;有479个常见的提及。每个提及都与一个帖子标识符和一个字符偏移量相关联。如果一个提及出现在两个列表中，且具有相同的帖子标识符和字符偏移量，则认为该提及属于两个列表。我们发现83.3%(479/575)的人工注释提及被ctake覆盖。如此高的覆盖率表明cTAKES可以捕获大多数相关的医学概念。相比之下，人工标注覆盖了75.2%(479/637)的ctake注释提及。这进一步证明了大多数注释提到的ctake都可以通过手动注释来确认。同样，随机抽取50篇文章(lgydF4y2Ba_avggydF4y2Ba=80.02)的HealingBII, 69.5%(194/279)的人工注释提及被cTAKES覆盖;70.3%(194/276)的cTAKES注释的提及是通过人工注释确认的。对于50个帖子的随机样本(lgydF4y2Ba_avggydF4y2BaIG-BII =121.00)，对应值分别为75.2%(182/242)和64.3%(182/283)。根据我们研究中使用的多个数据集的手动注释和cTAKES之间的结果有很高的重叠，我们有理由假设cTAKES是通过社交媒体数据进行BII研究的手动注释的一个不错的替代品。gydF4y2Ba

LDA的话题gydF4y2Ba

为了确定最佳主题模型，我们使用网格搜索来确定狄利克雷先验α∈{0.01,0.05,0.1,0.5,1,1.5,2,5,10,15,20,25}和主题K∈{3,4,5,10,15,20}的最佳参数值。为了评估主题模型，我们分析了每一个α和K值组合对应的低困惑度分数的LDA主题建模结果[gydF4y2Ba66gydF4y2Ba，gydF4y2Ba69gydF4y2Ba，gydF4y2Ba70gydF4y2Ba］．gydF4y2Ba

对于每个主题建模结果，我们分析了文档-主题和主题- cui概率分布，以导出主题及其各自的前10个代表性提及。某一特定主题的前10个代表性提及次数是最高的，对应于前10个cui，属于该主题的概率最高。多次提及可以映射到给定的CUI (gydF4y2Ba表2gydF4y2Ba)．我们只给出了最频繁的提及，因为映射到相同CUI的所有提及都具有相似的语义。我们进一步评估了主题建模的质量，基于衍生主题总结最具代表性提及的程度。我们分析了每种α和K组合下的LDA主题建模结果，并选择了衍生主题不同且最具代表性的主题。最后，我们使用(1)BIIweb的K=4和α=10， (2) HealingBII的K=5和α=10，以及(3)IG-BII的K=5和α=1.5，确定了不同且有意义的主题。我们观察到，K值越高，各个主题中最具代表性的提及次数就越相似。因此，衍生主题不明确，难以解释。gydF4y2Ba

表3gydF4y2Ba-gydF4y2Ba5gydF4y2Ba列出前10个代表性的提及次数，与提及次数对应的cui的频率(%)，以及提及次数所表示的主题的解释(如常见症状和体征)。请注意，cui的频率是在所有帖子中，而不仅仅是在那些属于某个主题的概率最高的帖子中。我们给出这些频率是因为每个帖子都有一定的概率属于某个主题，因此所有帖子之间的频率可以更好地代表所有帖子之间的主题信息。这些表格还提供了一些帖子的例子，这些帖子极有可能属于相应的主题。在示例中，有高概率属于相应主题的提及用斜体表示。请注意，我们使用LDA中的cui来派生主题和单词分布(如方法-主题建模一节中所讨论的)，但是我们已经在这些表中展示了映射到各自cui(没有语义的标识符)的最频繁提及(具有明确的语义)。这些表中的提及是根据对应cui属于各自主题的概率进行排序的。请注意，这些概率没有在表中显示(它们不是表中显示的频率)。因此，每个主题都由其最具代表性的提及来代表，从而总结了这些提及。例如，如果有大量提及与疼痛有关的话题，如颈部疼痛、胸痛和头痛，我们就会将其解释为疼痛和其他迹象。 Please note that the topics have not been sorted, and the first columns in Tables 3 to 5 are nominal identifiers. Below, we have discussed the topics derived from LDA for BIIweb and HealingBII data sets from the original posts. Note that 2 topics can still share the same representative mention with different probabilities in the LDA.

表3gydF4y2Ba给出了数据集BIIweb数据集中的主题。虽然BIIweb是最小的数据集(gydF4y2Ba表1gydF4y2Ba)，我们仍然能够确定4个最具代表性的主题，即疲劳、感染、毒性和焦虑。gydF4y2Ba表4gydF4y2Ba展示了HealingBII数据集中的主题，这些主题与BIIweb中的主题有一些共同的主题和代表性的提及。例如，疼痛、癌症和毒性在这两个数据集中很常见。然而，HealingBII的一个独特主题是手术和程序，人们(主要是患者)在那里讨论程序并分享他们的相关经验。HealingBII的另一个独特主题是心理健康。gydF4y2Ba

除了身体症状外，个人还报告了严重的情绪和精神困难，如抑郁，并在社交媒体上表达了严重的症状。gydF4y2Ba表5gydF4y2Ba给出数据集IG-BII数据集中的主题。IG-BII是最大的数据集(gydF4y2Ba表1gydF4y2Ba)，并且比另外两个帖子要多得多。我们观察到，癌症、心理健康和毒性是这个大型数据集中的重要主题，与HealingBII中的数据一致。在IG-BII中，人们还讨论了他们从与BII相关的问题或事件中恢复的过程。我们从这3个数据集中确定了经常提到的破裂、疼痛和疲劳。我们还发现了癌症、狼疮和自身免疫性疾病。请注意gydF4y2Ba表3gydF4y2Ba包含4个主题的BIIweb，但是gydF4y2Ba表4gydF4y2Ba而且gydF4y2Ba5gydF4y2BaHealingBII和IG-BII分别包含5个主题。这是因为主题的数量是由主题的不同程度决定的，而不是由预先指定的主题数量决定的。gydF4y2Ba

表6gydF4y2Ba结合BIIweb、HealingBII和IG-BII 3个数据集，给出了前10个有代表性的提及量，提及量对应的cui的频率(%)，以及在统一数据集上对主题的解释。通过将这3个数据集中的所有帖子合并到一个语料库中，我们得到了一个统一的数据集。为了执行主题建模，我们处理统一数据集中的帖子与处理单个数据集中的帖子的方法相同(在方法-主题建模一节中讨论)。在主题建模上，我们使用K=5和α=1.5确定了5个不同的主题。我们观察到，身体健康、癌症、心理健康、毒性和常见疾病在统一数据集中成为重要主题，与IG-BII中的主题一致。这是因为IG-BII是三个数据集中最大的数据集，占统一数据集的93.22%(28,987/31,094)。我们还从个人和统一的数据集中确定了常见的问题，如疼痛、过敏、抑郁、体重增加、癌症、炎症和毒性问题。这表明上述因素与BII的相关性较高。gydF4y2Ba

表7gydF4y2Ba显示每个主题的帖子百分比，其中一个帖子gydF4y2BadgydF4y2Ba如果在所有主题中，认为属于一个主题zgydF4y2BadgydF4y2Baz的概率最大。尽管数据集之间的分布并不完全一致，但毒性仍然是所有数据集中值得注意的主题。这表明这些是与BII显著相关的常见问题。此外，疼痛、癌症、心理健康和其他疾病也与隆胸有关。gydF4y2Ba

讨论gydF4y2Ba

主要研究结果gydF4y2Ba

为了了解与BII相关的体征、症状和疾病或障碍，我们收集了社交媒体上的帖子，并使用NLP和主题建模进行分析。BII是一种主要在社交媒体上报道的疾病，而不是在医疗报告中报道。我们使用ctake提取与体征、症状、疾病、失调和医疗程序相关的提及，将它们映射到标准医学概念，并使用LDA将映射的概念总结为主题。我们发现诸如破裂、感染、炎症、疼痛和疲劳是常见的自我报告问题。我们还发现，心理健康相关的担忧，如压力、焦虑和抑郁，以及癌症和自身免疫疾病等疾病，是常见的担忧。cTAKES也能够提取药物和解剖信息，但它们没有用于我们的LDA分析，因为我们的研究目标不是研究所使用的药物或与BII相关的解剖。gydF4y2Ba

在我们的方法中，我们依靠cTAKES和丰富的UMLS字典来提取所有相关的提及，包括它们的词汇变体(同义词、缩写、释义)。为了确定cTAKES是否能够充分提取相关的提及，我们执行了一个手动注释来提取所有相关的提及，并将它们与从cTAKES中提取的提及进行比较。我们发现cTAKES能够充分捕捉相关的医学概念，并且与手动注释具有可比性。值得注意的是，我们没有评估我们的提及提取模块在每个数据集的所有帖子上的性能，当每个提及都有与之相关的真实标签时，通常使用精度和召回指标来执行。但是，为了有这样的标签，需要基于BII的领域知识进行仔细的手动注释。不幸的是，关于与BII相关或由BII引起的并发症、症状和其他问题的领域知识并不完全可用。我们在这项研究中的目标是从社交媒体数据中提供有用的信息，以补充我们现有的知识。因此，在这项初步研究中，我们使用了所有带注释的提及，假设ctake能够提供高质量的注释。gydF4y2Ba

优势与局限gydF4y2Ba

我们承认cTAKES可能无法从我们的社交媒体数据集中提取所有相关提及。这是因为cTAKES最初是为从临床记录中提取医疗实体而设计的，与社交媒体数据相比，临床记录的措辞和写作风格非常不同。由于社交媒体数据包括非正式短语、简短的模糊文本、表情符号和与单个概念对应的广泛的词汇变体，cTAKES可能不会在社交媒体数据上完美地工作，尽管我们从cTAKES中观察到合理的输出。我们还观察到，ctake经常将一个提及与属于同一类别的多个cui相关联。我们认为这是因为在UMLS变叙龙中存在多个给定的映射。无论如何，提取的提及以及提及到UMLS cui的映射(由cTAKES生成)被用于主题建模，而无需任何手动验证或评估。在未来，我们将制定一个详细的指导方针，以进一步评估提取的提及，然后将它们用于主题建模。gydF4y2Ba

我们的研究有一些局限性。首先，LDA是一种无监督学习技术，其中主题的数量(K)是先验已知的。然而，对于给定的数据集，很难准确地估计K。在我们的研究中，我们使用网格搜索来获得不同的K值。即使没有完整的领域知识，对每个K值的LDA结果进行评估也不是简单的。在我们的研究中，我们根据α和K值选择主题。我们没有使用perplexity [gydF4y2Ba66gydF4y2Ba，gydF4y2Ba69gydF4y2Ba，gydF4y2Ba70gydF4y2Ba]，是主题建模中广泛使用的度量标准，用于选择主题，因为正如文献中所研究的那样(例如，Chang等人[gydF4y2Ba71gydF4y2Ba])，困惑度往往与主题可解释性没有很好的相关性;在我们的案例中，最低程度的困惑并不总是能够实现直观或有意义的主题。在未来，我们将开发更严格的方法来选择主题的数量和评估主题建模结果。在这项研究中，我们没有对帖子进行情感分析，以了解帖子中表达的积极或消极意见。我们计划在主题建模之前包括这个过程，以便为主题建模生成更清晰的数据集。gydF4y2Ba

值得注意的是，社交媒体数据的质量可能是不稳定的(例如，拼写错误、误解和有偏见的观点)，特别是与医学文献数据相比。任何人都可以在社交媒体上发布，因此衍生的内容可能来自那些可能患有其他植入物特定问题的人，如包膜挛缩或植入物感染。因此，从社交媒体数据中了解与药物、疾病或医疗程序相关的疾病、紊乱、症状、体征等，总是存在混淆因素或错误的风险。然而，鉴于BII的医学知识和文献还没有很好地建立起来，相关概念也没有很好地定义或被广泛接受，使用社交媒体数据来理解新出现的问题可能是一个有意义的起点。不过，任何来自社交媒体数据的发现都需要基于医学和生物学知识、实验、临床实践等进行严格的评估和验证。此外，我们只分析了3个，尽管是致力于BII讨论的最相关和最多产的网站。在更大的规模上对社交媒体数据进行更全面的分析，将有助于更好地理解更大、更多样化的人群中的BII。对社交媒体数据的情感分析可能是另一种有价值的分析，可以更深入地了解用户或患者的健康体验及其情绪或感受。当我们对BII有了更好的理解后，我们会在未来的研究中考虑情感分析，我们可以准确地注释社交媒体数据。gydF4y2Ba

结论gydF4y2Ba

本研究对未来的方法学和临床研究具有重要意义。未来NLP的方法学研究可以包括BII与社交媒体提及的症状和体征之间的因果关系推断，以了解它们之间的关系等。我们的发现可以为临床研究提供相关领域，以寻求制定BII的测量方法并确定其原因。更具体地说，我们的结果可以提供一个患者衍生的BII定义，这对于临床医生治疗有BII问题的患者时使用这种以患者为中心的语言是有用的。我们在这项研究中应用的方法和信息学策略也将为从社交媒体数据中分析其他新出现但定义不明确的疾病提供工作示例。gydF4y2Ba

我们对社交媒体数据的分析确定了诸如破裂、感染、炎症、疼痛和疲劳等问题，这些都是BII社交媒体网站上常见的自我报告问题。此外，我们的分析显示，相当数量的用户评论和帖子还涉及隆胸后的心理和身体健康以及毒性问题。我们的研究结果可以用于进一步的BII科学研究，以及有上述症状的患者的护理，允许临床医生开发一种以患者为中心的语言，以更好地接近患者的担忧。我们的研究首次使用NLP技术从社交媒体中分析和获得了BII知识，并证明了使用社交媒体信息更好地理解新发疾病的潜力。gydF4y2Ba